機器學習(Machine Learning)是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。
專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具有智能的根本途徑。
它的應用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領域。
其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學習的方法加以克服。
學習能力是智能行為的一個非常重要的特征，但至今對學習的機理尚不清楚。人們曾對機器學習給出各種定義。
H。A。Simon認為，學習是系統(tǒng)所作的適應性變化，使得系統(tǒng)在下一次完成同樣或類似的任務時更為有效。
R。s。Michalski認為，學習是構造或修改對于所經歷事物的表示。從事專家系統(tǒng)研制的人們則認為學習是知識的獲取。
這些觀點各有側重，第一種觀點強調學習的外部行為效果，第二種則強調學習的內部過程，而第三種主要是從知識工程的實用性角度出發(fā)的。
機器學習在人工智能的研究中具有十分重要的地位。一個不具有學習能力的智能系統(tǒng)難以稱得上是一個真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少學習的能力。
例如，它們遇到錯誤時不能自我校正；不會通過經驗改善自身的性能；不會自動獲取和發(fā)現(xiàn)所需要的知識。
它們的推理僅限于演繹而缺少歸納，因此至多只能夠證明已存在事實、定理，而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。
隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機器學習逐漸成為人工智能研究的核心之一。
它的應用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領域。
其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學習的方法加以克服。
機器學習是人工智能研究較為年輕的分支，它的發(fā)展過程大體上可分為4個時期。
第一階段是在50年代中葉到60年代中葉，屬于熱烈時期。
第二階段是在60年代中葉至70年代中葉，被稱為機器學習的冷靜時期。
第三階段是從70年代中葉至80年代中葉，稱為復興時期。
機器學習的最新階段始于1986年。
機器學習進入新階段的重要表現(xiàn)在下列諸方面：
(1)機器學習已成為新的邊緣學科并在高校形成一門課程。
它綜合應用心理學、生物學和神經生理學以及數(shù)學、自動化和計算機科學形成機器學習理論基礎。
(2)結合各種學習方法，取長補短的多種形式的集成學習系統(tǒng)研究正在興起。
特別是連接學習符號學習的耦合可以更好地解決連續(xù)性信號處理中知識與技能的獲取與求精問題而受到重視。
(3)機器學習與人工智能各種基礎問題的統(tǒng)一性觀點正在形成。
例如學習與問題求解結合進行、知識表達便于學習的觀點產生了通用智能系統(tǒng)SOAR的組塊學習。類比學習與問題求解結合的基于案例方法已成為經驗學習的重要方向。
(4)各種學習方法的應用范圍不斷擴大，一部分已形成商品。
歸納學習的知識獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。
連接學習在聲圖文識別中占優(yōu)勢。
分析學習已用于設計綜合型專家系統(tǒng)。
遺傳算法與強化學習在工程控制中有較好的應用前景。
與符號系統(tǒng)耦合的神經網絡連接學習將在企業(yè)的智能管理與智能機器人運動規(guī)劃中發(fā)揮作用。
(5)與機器學習有關的學術活動空前活躍。國際上除每年一次的機器學習研討會外，還有計算機學習理論會議以及遺傳算法會議。
精選解答
